工业过程优化和控制是提高经济和生态效益的关键。我们提出了人工神经双胞胎，结合了模型预测控制、深度学习和传感器网络的概念，以解决数据主权、不同目标或实施所需的专业知识等问题。通过将相互连接的过程步骤视为准神经网络，我们可以对过程优化或模型微调进行损失梯度的反向传播，从而调整过程参数或人工智能模型。该概念在 Unity 中模拟的虚拟机群中进行了演示，其中包括塑料回收中的散粒材料处理过程。

Mar, 2024

本文提出了一种基于物理和数据驱动的数字孪生框架，用于自主食品加工，该框架含有最小计算负载、数据存储和传感器数据要求的精益数字孪生概念，并采用一个节俭的实验设计用于训练热处理的非侵入式降阶模型，其最佳模型的测试均方根误差小于 1 开尔文（0.2％平均百分比误差），模拟速度加快达到 1.8E4 Sp，可用于设备内的模型预测控制。

Sep, 2022

数字孪生是过程工业数字化转型的核心，本研究对数字孪生的建模方法、学习策略和挑战进行了系统分析，旨在填补现有研究中对过程工业数字孪生学习模式的缺失。

Jul, 2024

该研究提出了一个数字孪生框架，应用于石油和天然气工业中的气举过程，旨在提高数字孪生系统的稳健性和适应性。该框架结合了贝叶斯推断、蒙特卡罗模拟、迁移学习和不确定性管理等技术，为数字孪生系统提供高效、可靠、值得信赖的识别，并致力于改进复杂实际场景中的决策过程。

Nov, 2023

通过构建数字孪生模型，利用深度神经算子和深度学习模型，结合高精度计算模型解决熔池状态和缺陷预测的问题，并通过优化算法控制激光输入来提高增材制造的质量。

May, 2024

利用数字孪生框架在实时预测控制激光直接能量熔化 (DED) 过程参数以满足特定设计目标，通过 LSTM 机器学习建立代理模型预测 DED 零件的温度，在此基础上引入贝叶斯优化 (Bayesian Optimization) 进行时间序列过程优化 (Time Series Process Optimization)，确定理想的激光功率轮廓以达到所需的力学性能。

Feb, 2024

本文介绍了基于参数化物理模型的数字孪生（PPB-DT），用于统计预测激光粉末床熔化金属增材制造过程中的熔池几何和缺陷识别在内的诊断应用。通过基于物理模型和实验数据训练的机器学习模型（PPB-ML-DT），这些数字孪生模型可用于预测、监测和控制熔池几何，加快基于激光粉末床熔化金属增材制造的产品开发和认证过程。

Nov, 2023

本文提出了一种直接基于数据驱动的控制器调整方法，利用数字孪生来产生输入 - 输出数据和适当的控制器，并使用先进的神经网络架构学习控制器调整规则，从而对控制器进行重新校准，将控制工程师的角色实际上用机器学习模型代替。

Nov, 2023

该研究通过比较 Turbo 框架和 Denoising Diffusion Probabilistic Models 在 CDP 数据集上的能力，旨在确定 DDPM 模型在 CDP 安全的数字孪生应用中的实际益处，并评估所研究模型在移动电话数据采集环境中的生成潜力。

Sep, 2023

《ANP-BBO: 基于 Bayesian 优化的可扩展的建筑数字孪生参数校准方法》提出了 ANP-BBO 方法，即一种可扩展且可并行化的批次式 Bayesian 优化方法，利用关注机制的神经过程模型，以解决大规模数字孪生模型参数校准的困难。

Jun, 2021